Einführung in Künstliche Intelligenz und Datenwissenschaften
- Grundlagen der Künstlichen Intelligenz und des maschinellen Lernens
- Bedeutung von AI in aktuellen datenwissenschaftlichen Anwendungen
- Grundlagen von überwachten und unüberwachten Lernen in der Datenwissenschaft
- Lebenszyklus von KI- und Datenprojekten in Weiterbildungsformaten
Python und Unix für Data Science
- Python-Programmiertechniken für datenwissenschaftliche und AI-Aufgaben
- Nutzung der Unix-Shell in datenwissenschaftlichen Prozessen
- Git und GitHub zur Unterstützung kollaborativer KI-Projektentwicklungen
- Weiterbildung in Programmiertechniken für AI-Projektentwicklung
Datenanalyse für Künstliche Intelligenz
- Anwendung von Pandas und NumPy für Data-Wrangling-Aufgaben
- Durchführen von SQL-Abfragen für die Extraktion von Daten
- Visualisierung von Daten zur Unterstützung von AI-Entscheidungen
- Weiterbildung in EDA-Techniken und der Ethik rund um Daten
Überwachtes maschinelles Lernen in der AI-Bildung
- Techniken der Klassifizierung und Regression in AI
- Evaluierung von Modellen in datenwissenschaftlichen Projekten
- Optimierung von AI-Algorithmen in der Datenwissenschaft
- Weiterentwicklungsprojekte mit überwachten AI-Modellen
Neurale Netze und Deep Learning
- Rolle von künstlichen neuronalen Netzen in der AI
- Verwendung von TensorFlow und Keras in der Data Science-Ausbildung
- Einsatz von Transferlernen und CNNs innerhalb der AI
- Nutzung von NLP für AI-Anwendungen in der Datenwissenschaft
Praxisprojekt und agile KI-Praktiken
- Capstone-Projekte in der Weiterbildungsphase für AI und Data Science
- Implementierung agiler Methoden bei der Erstellung von AI
- Management von AI-Projekten mit datenwissenschaftlichen Herangehensweisen
- Entwicklung teambasierter KI-Lösungen für reale Datenprobleme